دانشگاه کاشانمحاسبات نرم2322-37075120210523Providing an Improved Webmining Algorithm for Semantic Webارائه یک الگوریتم بهبود یافته وبکاوی برای وب معنایی213111400FAسید امیراصغریدانشگاه خوارزمیمرتضیعنایتیموسسه آموزش عالی شهاب دانشگلنوشعباییموسسه آموزش عالی شهاب دانشمحمدرضابینش مروستیدانشگاه خوارزمیJournal Article20210523Abstractاین مقاله در حوزه دادهکاوی و وب معنایی بوده و در آن روشی برای شخصیسازی صفحات وب براساس اصول دادهکاوی و وب معنایی ارائه شده است. روش پیشنهادی، از لاگ مشاهده صفحات توسط کاربران به عنوان خوراک بخش دادهکاوی، و از محتوای صفحات به عنوان ورودی واحد پردازش معنا استفاده میکند. نتایج حاصل از این دو فرآیند، با یکدیگر ترکیب شده و به عنوان صفحات پیشنهادی مدنظر کاربر، به او ارائه میشود. ایده استفاده از اطلاعات آماری بازدید و اطلاعات محتوایی صفحات، باعث افزایش کیفیت پیشنهادات به کاربر شده است. از ویژگیهای مهم روش ارائه شده آن است که با داشتن آنتولوژی مناسب برای هر حوزه معنایی، تقریباً برای هرنوع وبسایتی قابل استفاده بوده و میتواند پیشنهادات مناسبی تنها براساس محتوای صفحات و لاگ صفحات مشاهده شده کاربران ارائه نماید. به عبارت دیگر در این روش نیازی به ورود و ثبت نام کاربر در سیستم برای دنبال کردن رفتار و علایق آن نیست. نتایج بررسی روی مجموعه داده اشاره شده در این مقاله، حاکی از عملکرد مناسب روش پیشنهادی دارد؛ پیشنهادات تولید شده توسط سیستم با نرخ بالایی توسط چندین کاربر انسانی مفید ارزیابی شدهاند.https://scj.kashanu.ac.ir/article_111400_9ca60a968d1f41936380a9bd5cfeb7d5.pdfدانشگاه کاشانمحاسبات نرم2322-37075120210523A clustering algorithm for categorical data with combining measuresارائه یک الگوریتم خوشه بندی برای داده های دسته ای با ترکیب معیارها1425111401FAمریمنبی لودانشگاه تربیت دبیر شهید رجایینگیندانشپوردانشگاه تربیت دبیر شهید رجاییJournal Article20210523Clustering is one of the main techniques in data mining. Clustering is a process that classifies data set into groups. In clustering, the data in a cluster are the closest to each other and the data in two different clusters have the most difference. Clustering algorithms are divided into two categories according to the type of data: Clustering algorithms for numerical data and clustering algorithms for categorical data. The clustering algorithms for categorical data are more important than clustering algorithms for numerical data because of the nature and application of these data. Each of these algorithms uses different similarity measures according to the type of data (numeric or categorical). In this paper, a new clustering method is proposed for clustering by combining Overlay and Jaccard similarity measures on a hierarchical algorithm for categorical data. Overlay measure represents similarities between the data as one and zero which caused the loss of some information. Jaccard measure If used alone to measure the similarity between data set, most clusters are selected in the particular area of data collection. So in this paper a combination of the two measures are used. Experimental results show that the proposed method improves the results of clustering. Resulted improvemen is 10% on any evaluation factor in average.خوشه بندی یکی از تکنیک های اصلی داده کاوی است. خوشه بندی فرایندی است که مجموعه داده ها را داخل گروه هایی طبقه بندی می کند. در خوشه بندی داده های موجود در یک خوشه بیشترین شباهت را به هم دارند و داده های موجود در دو خوشه متفاوت بیشترین تفاوت را با هم دارند. الگوریتم های خوشه بندی با توجه به نوع داده ها به دو دسته تقسیم می شوند: الگوریتم های خوشه بندی داده های عددی و الگوریتم های خوشه بندی داده های دسته ای. الگوریتم های خوشه بندی داده های دسته ای به دلیل ماهیت و کاربرد این داده ها نسبت به الگوریتم های خوشه بندی داده های عددی از اهمیت بالایی برخوداراند. هر یک از این الگوریتم ها با توجه به نوع داده (عددی یا دسته ای) از معیارهای شباهت متفاوتی در خوشه بندی استفاده می کنند. در این مقاله یک روش جدید در خوشه بندی با استفاده از ترکیب معیارهای شباهت Overlay و Jaccard روی یک الگوریتم سلسله مراتبی برای داده های دسته ای پیشنهاد می شود. معیار Overlay تفاوت بین داده ها را به صورت صفر و یک بیان می کند که این امر باعث از بین رفتن برخی اطلاعات مربوط به داده ها می شود. معیار Jaccard نیز اگر به تنهایی برای اندازه گیری شباهت میان داده ها استفاده گردد بیشتر خوشه ها در یک ناحیه از مجموعه داده ها انتخاب می شوند. بنابراین در این مقاله ترکیبی از دو معیار به کار رفته است.آزمایشات نشان می دهد که روش ارائه شده در این مقاله توانسته است که نتایج حاصل از خوشه بندی را بهبود ببخشد و بطور متوسط 10 درصد بهبود بر روی هر فاکتور ارزیابی داشته است.https://scj.kashanu.ac.ir/article_111401_b00f760696acb4805bfb26b24c81d48d.pdfدانشگاه کاشانمحاسبات نرم2322-37075120210523Image zooming by the approach of the best approximation of pageبزرگنمایی تصویر با استفاده از تقریب بهترین صفحه2635111402FAعلی محمداسمعیلی زینیدانشگاه یزدعلی محمدلطیفدانشگاه یزدقاسمبرید لقمانیدانشگاه یزدJournal Article20210523Image zooming is one of the existing issues discussed in image processing in which the person is interested in enlarging a certain picture and fitting it into the visible area of the display devices. In zooming activities it is necessary that extra pixels be inserted in the information image. The addition of the image data should be suitable with the texture of the image without producing artificial blocks. In this research, by using the approximation of the best page required Pixels are estimated. To evaluate the ability of the method, the results are evaluated on several images and compared with other methods. Average of execution time for the image 512 × 512 is 13.95 seconds. The average PSNR of the original image and image zooming is 31.29 which it shows that image zooming is very similar to the original image and the proposed method has an efficient performance.: بزرگنمایی تصویر یکی از مسائل موجود در بحث پردازش تصویر میباشد که در آن فرد علاقهمند است تصویر مورد نظر را بزرگ و متناسب با سطح قابل نمایش دستگاه نماید. در بزرگنمایی لازم است که پیکسلهای اضافی در اطلاعات تصویر قرار داده شود. اضافهکردن اطلاعات به تصویر باید با بافت موجود در تصویر سازگار باشد و بلوکهای مصنوعی ایجاد نکند. در این پژوهش با استفاده از تقریب بهترین صفحه، پیکسلهای مورد نیاز تخمینزده میشوند. جهت سنجش توانایی این روش، نتایج حاصل بر روی چند تصویر با روشهای دیگر مورد مقایسه و ارزیابی قرار گرفته است. متوسط زمان اجرای برنامه برای تصویر 512×512 برابر 95/13 ثانیه میباشد. همچنین میانگین PSNR مربوط به تصویر اصلی و بزرگنمایی شده 29/31 میباشد که نشان میدهد تصویر بزرگنمایی شده به تصویر اصلی شباهت زیادی دارد و روش پیشنهادی از کارائی مطلوبی برخوردار است. https://scj.kashanu.ac.ir/article_111402_3f35fb9a923d66814a83fd00efb75db9.pdfدانشگاه کاشانمحاسبات نرم2322-37075120210523A Review on Software Cost Estimation Based on Machine Learningمروری بر روشهای تخمین هزینه نرمافزار مبتنی بر یادگیری ماشین3665111403FAصبابیرانونددانشگاه یزدمحمد علیزارع چاهوکیدانشگاه یزدJournal Article20210523Software project management software is the most important activity in software development, because it contains the whole software development process, from beginning to end. Software cost estimation is a challenge task in the software project management. It is an old activity in computer industry from 1940s and has been developed many times. Effort, only covers part of the cost of a software project. However, it is an essential factor for determining the cost. Therefore, in researches on software cost estimates, effort estimation and cost estimation are equivalent. A Software cost estimation model is appropriate if provides the accuracy and confidence simultaneously in cost prediction before software project contract. Due to the uncertain nature of cost estimates and in order to increase the accuracy, researchers recently have focused on machine learning techniques. In this paper, we investigated the software cost estimation by machine learning approaches, also, we introduced estimation methods, criterias to assess the accuracy of proposed methods, used datasets for evaluation, and future works in this research area.مدیریت پروژه ی نرم افزاری از مهم ترین فعالیت ها در توسعه ی محصول نرم افزاری است، چرا که تمامی فرآیند توسعه ی نرم افزار، از ابتدا تا انتها را شامل می گردد. تخمین هزینه ی نرم افزار ، یک فعالیت چالشی در مدیریت پروژه ی نرم افزاری می باشد. مفهوم تخمین هزینه ی نرم افزار، همزمان با شروع صنعت کامپیوتر در سال 1940 مورد توجه قرار گرفته و همچنان پژوهش در این حوزه ادامه دارد. با اینکه تلاش، تنها دربرگیرنده ی بخشی از هزینه های توسعه ی یک پروژه ی نرم افزاری است، اما عامل اساسی برای تعیینِ هزینه محسوب می گردد. از این رو در پژوهش های این حوزه، دو اصطلاح تخمینِ تلاش و تخمینِ هزینه به صورت معادل به کار می روند. مدل تخمین هزینه ی نرم افزاری مناسب است، که قبل از عقد قرارداد، دقت و اطمینان بالایی برای پیش بینی هزینه ی پروژههای نرمافزاری فراهم نماید. به علت ذات غیر قطعیِ تخمین و در جهت افزایش دقت، به مرور توجّه پژوهشگران به استفاده از روش های یادگیری ماشین در این حوزه معطوف گردیده است. در پژوهش حاضر، به بررسی مطالعات صورت گرفته در تخمین هزینه ی نرم افزار با روش های یادگیری ماشین پرداخته و روش های تخمین ارائه شده، معیار های ارزیابی دقت این روش ها و دادگانِ مورد استفاده در کارهای پژوهشی و هم چنین پژوهش های آتی در این حوزه را معرفی نموده ایم.https://scj.kashanu.ac.ir/article_111403_89d3290d332f7b584073f7a942131fa0.pdfدانشگاه کاشانمحاسبات نرم2322-37075120210523qualitative sorting of porcelain dishes using machine visionدرجه بندی کیفی ظروف چینی با استفاده از ماشین بینایی6677111404FAُسید جوادحسینی نیادانشگاه بیرجندسید محمدامامدانشگاه صنعتی بیرجندخلیلخلیلیدانشگاه بیرجندJournal Article20210523One of the stages of quality control in porcelain producing factories is sorting that do with human eyes. Machine vision , including new methods for defect detection and sorting of different products. In this study, with defects diagnosis and as a result sorting porcelain, use from linear structured light pattern, triangulation techniques and rules governing mirrors. Also, among the defects occurred on porcelain, some defects that changes geometry, perimeter and texture of dishes surface, such as distortion, drops, depression, pin-hole, Concavity of floor have examined. With radiation linear structured light pattern on porcelains surface, shoot a picture from profiles reflected. Then, for processing and features extraction, transferred pictures to computers and after diagnosis kind of defect, get a criterion to determine the degree of dishes. Then, get the degree of the quality of dishes, by considering the defined numerically table ranking. Finally, by using proposed algorithms in this study, 2250 dishes with a predetermined degree have examined. The accuracy of the Concavity floor is 97.66% and the accuracy of the pin-hole is 98.5% appointed.یکی از مراحل کنترل کیفی در کارخانجات تولید کننده ظروف چینی، درجه بندی میباشد که به صورت چشمی انجام میشود. بینایی ماشین از جمله روشهای نوین جهت عیب یابی و درجه بندی محصولات تولیدی متفاوت میباشد. در این تحقیق از روش تابش الگوی ساختاریافته خطی، تکنیک مثلث بندی و قوانین حاکم بر آینهها با هدف تشخیص عیوب و در نتیجه آن درجه بندی ظروف چینی استفاده شده است. همچنین از میان عیوب بوجود آمده روی ظروف چینی، برخی از عیوبی که باعث تغییر در هندسه، محیط و بافت سطح ظروف میشوند، از جمله دفورمگی، انباشتگی لعاب، لعاب نگرفتگی، پین بدنه و افتادگی کف مورد بررسی قرارگرفتهاند. با تابش الگوی ساختاریافته خطی بر سطح ظروف، از پروفیل خطوط بازتاب شده از روی ظروف تصویربرداری شده است. سپس جهت پردازش و استخراج ویژگیهای مورد نظر، تصاویر به رایانه انتقال یافته و پس از تشخیص نوع عیب، معیاری برای تعیین درجهی ظروف به دست آمده است. سپس باتوجه به جدول درجه بندی تعریف شده به صورت عددی، درجه ظروف تعیین گردیده است. در نهایت به کمک الگوریتمهای ارائه شده در این تحقیق تعداد 2250 عدد از ظروف با درجه از قبل تعیین شده مورد بررسی قرار گرفتهاند که صحت الگوریتم مربوط به عیب افتادگی کف 97.66% و صحت الگوریتم مربوط به عیب لعاب نگرفتگی 98.5% تعیین گردید.https://scj.kashanu.ac.ir/article_111404_43430ddcefd99d04397ea8895e81be37.pdfدانشگاه کاشانمحاسبات نرم2322-37075120210523Metric and Combinatorial Properties of Fibonacci and Lucas cubesخواص متریک و ترکیبیاتی مکعبهای فیبوناتچی و لوکاس78100111405FAخدیجهفتحعلیخانیدانشگاه کاشانعلی رضااشرفیدانشگاه کاشانJournal Article20210523An n-dimensional hypercube, Q_n, is a graph in which vertices are binary strings of length n where two vertices are adjacent if they differ in exactly one coordinate. Hypercubes and their subgraphs have a lot of applications in different fields of science, specially in computer science. This is the reason why they have been investigated by many authors during the years. Some of their subgraphs named Fibonacci cubes and Lucas cubes are very important and are useful in interconnection networks. In this paper, after introducing these cubes, we report their metric and combinatorial properties done by different authors. Then, we present some open problems that we have been encountered during our research regarding these cubes. Finally, we briefly introduce the software named Sage which is very applicable in the calculations for theses cubes in high dimensions. یک ابرمکعب n-بعدی Q_n گرافی است که رأسهای آن n-تاییهای دودویی هستند و دو رأس با یکدیگر مجاورند، هرگاه بهطور دقیق در یک مولفه متفاوت باشند. ابرمکعبها و نیز زیرگرافهای آنها به دلیل کاربردهای فراوان در علوم مختلف، بهخصوص در علم کامپیوتر، بسیار مورد توجه دانشمندان مختلف بودهاند. برخی از زیرگرافهای آنها مانند مکعبهای فیبوناتچی و مکعبهای لوکاس در شبکههای ارتباطی بهکار میروند. ما در این مقاله، پس از بیان مختصری از کاربردهای این دو دسته از مکعبها، به گزارش یافتههای متریک و ترکیبیاتی خود و دیگران درمورد آنها میپردازیم. سپس، برخی مسائل باز را در این رابطه که خود به بررسی آنها پرداخته و نتایجی یافتهایم، مطرح میکنیم. در ادامه، نرمافزار Sage را که در محاسبات مربوط به این مکعبها در ابعاد بالا بهکار میروند، بهطور خلاصه و گذرا معرفی میکنیم.https://scj.kashanu.ac.ir/article_111405_d8b2e0175671f31984b7a44c4bfb9e60.pdf